Füzyon enerjisinin gelecekteki enerji kaynağı olma potansiyeli, bilim insanlarını plazmanın kontrolü konusunda yeni çözümler aramaya itiyor. ABD Enerji Bakanlığı'na bağlı Princeton Plasma Physics Laboratory (PPPL) ve Princeton Üniversitesi araştırmacıları, bu sorunun üstesinden gelmek için PACMAN (Prediction And Control using MAchiNe learning) adını verdikleri bir yapay zeka (AI) çerçevesi geliştirdi. PACMAN, gerçek bir tokamakta beş ayrı deneyde test edildi ve bir deneyde, zararlı bir instabiliteyi ortaya çıkmadan yaklaşık 200 milisaniye önce öngörerek plazmayı bu durumun oluşmasını engelledi.
Füzyon reaktörlerinde, çekirdeği Güneş'ten daha sıcak parçacıklar sadece birkaç bin saniyenin bir kesri içinde kararsız hâle gelebiliyor. Bu hız, insan operatörlerin müdahale süresinin çok ötesinde. Bu bağlamda, PACMAN'in milisaniyeler içinde karar alabilen bir sistem olması, plazmanın sıcak, yoğun ve stabil kalmasını sağlamak için kritik bir adım olarak öne çıkıyor. Tokamakların manyetik alanlarla plazmayı sıkıştırdığı ve ısıtma ekipmanları, manyetik bobinler ve gaz enjektörleri gibi birçok bileşenin aynı anda ayarlanması gerektiği göz önüne alındığında, anlık ve doğru tahminler hayati önem taşıyor.
Geleneksel bilgisayar simülasyonları, plazmanın davranışını tahmin etmek için günler hatta aylar sürebiliyor; bu da deney süresi sadece birkaç dakika olan bir tokamak için yetersiz kalıyor. PACMAN, bu boşluğu doldurmak için makine öğrenimi modellerini birleştirerek, ölçülen sıcaklık, yoğunluk ve manyetik sinyalleri gerçek zamanlı olarak işliyor. Toplanan veriler önce hatalar için kontrol ediliyor, ardından tek bir paket hâline getiriliyor. Bu paket, farklı AI modelleri tarafından ihtiyaç duyulan ölçümler seçilerek plazmanın mevcut durumu ve gelecekteki olası davranışları tahmin ediliyor. Kontrolörler bu tahminlere dayanarak, örneğin ısıtma ışını gücünü artırmak gibi gerekli eylemleri belirliyor.
Çerçevenin son aşamasında, kontrolörlerin çelişkili komutları çözülüyor, sıkı donanım güvenlik limitleri uygulanıyor ve onaylanan komutlar tokamaka gönderiliyor. Modeller ve kontrolörler bağımsız çalıştığı için, bilim insanları yeni bileşenleri eklerken mevcut sistemde kesinti yapmadan entegrasyon sağlayabiliyor. Bu esneklik, PACMAN'in DIII‑D Ulusal Füzyon Tesisi tokamakında gerçekleştirilen beş deneyde gösterildi. Özellikle “tearing mode” (yırtılma modu) deneyinde, geleneksel kontrol sistemlerinin instabiliteyi ancak başladıktan sonra tespit edebildiği bir senaryoda, PACMAN bu olayı milisaniyeler önceden öngörerek plazmayı stabil tutmayı başardı.
Co‑lead yazar Hiro Farre Kaga, "Makine öğrenimi modelleri plazma davranışını çok iyi tanımlıyor ve milisaniye ölçeğinde karar vermemizi sağlıyor" diyerek, bu teknolojinin kontrol açısından tek başına yeterli olduğunu vurguladı. Aynı zamanda, PACMAN'in 20 milisaniye civarında bir döngü süresiyle, insan operatörlerin saniyeler içinde yanıt verebildiği bir ortamda çok daha hızlı ve sürekli bir geri bildirim sağladığını belirtti. Bu gelişme, füzyon araştırmalarında AI’nın sadece destekleyici bir araç olmaktan çıkıp, gerçek zamanlı kontrolün temel bir bileşeni haline gelmesinin önünü açıyor.
Sonuç olarak, PACMAN çerçevesi, füzyon plazmasının milisaniyeler içinde izlenmesi ve kontrol edilmesi konusunda bir dönüm noktası sunuyor. AI’nın bu kadar hızlı ve güvenli bir şekilde entegre edilmesi, gelecekte daha büyük ve daha verimli tokamakların geliştirilmesinde kritik bir rol oynayabilir. Füzyon enerjisinin ticari hâle gelmesi yolunda atılan bu adım, bilim dünyasını hem heyecanlandırıyor hem de enerji dönüşümünde yeni bir çağın habercisi olma potansiyelini taşıyor.
